Les chercheurs rapportent une méthode d’élimination du bruit des images de microscopie électronique à transmission haute résolution à l’aide de modèles génératifs probabilistes.
La microscopie électronique (EM) est une technique utilisée pour voir les virus et leurs processus d’infection, ce qui nous permet de voir comment il se lie aux cellules et se propage à travers le corps. La microscopie électronique à transmission (MET) peut fournir des images haute résolution à l’échelle nanométrique, mais ces images à faible luminosité ont généralement une abondance de bruit. Les images de virus apparaissent souvent plates ou en 2 dimensions.
Plusieurs algorithmes de réduction du bruit ont contribué à améliorer la qualité de l’image, permettant une meilleure interprétation des données. Pour le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2), des images EM ont également été utilisées pour reconstruire des images tridimensionnelles (3D) du virus.
Cela implique généralement l’utilisation d’un grand nombre d’images TEM, par exemple, pour générer des structures 3D de protéines. Une étude a utilisé la tomographie cryoélectronique pour enregistrer de nombreuses images TEM du virus lorsque l’échantillon est incliné le long d’un axe, et les images obtenues sont fusionnées à l’aide d’un logiciel. Si seules des images bruyantes sont disponibles, des approches typiques telles que les réseaux de neurones à réaction directe ne peuvent pas être utilisées car elles nécessitent un grand nombre de paires d’images propres et bruyantes.
Débruitage d’une seule image TEM
Dans une nouvelle étude publiée sur le bioRxiv * preprint server, des chercheurs de l’Université Carl von Ossietzky Oldenburg rapportent une méthode pour obtenir des images 3D du virus en utilisant une seule image TEM.
Image de virus SARS-CoV-2 dans des cultures de cellules Vero. Nous avons utilisé les données mises à disposition par Laue et al. (2021) qui ont utilisé la microscopie électronique à transmission de coupes plastiques ultrafines. Sur la base des données, nous avons estimé les variances des pixels lors de l’application d’algorithmes probabilistes d’apprentissage automatique pour le débruitage (Sheikh et al., 2014; Monk et al., 2018; Drefs et al., 2020). L’image résultante de ces variances donne une impression spatiale (voir également la figure supplémentaire 1, qui montre une comparaison étroite entre une section de l’image EM bruyante et les variances de pixels estimées correspondantes). L’image présentée ici a ensuite été obtenue après amélioration du contraste et colorisation: les structures que nous avons identifiées manuellement comme appartenant à une cellule ont été colorées en bleu (zone en bas à droite), le reste a été colorisé en jaune.
Ils ont d’abord utilisé des modèles génératifs probabilistes pour apprendre les représentations de données des images TEM. Ces approches ne sont pas supervisées et nécessitent généralement moins de données pour apprendre les représentations appropriées. Si une seule image est disponible pour l’apprentissage, le traitement de l’image est compliqué. Cependant, les statistiques d’images intrinsèques contiennent souvent des informations de haute qualité qui peuvent être utilisées.
Les chercheurs ont utilisé une image TEM du SRAS-CoV-2 disponible gratuitement dans des cultures de cellules Vero et ont utilisé des données bruyantes sous la forme de patchs extraits de l’image. Après avoir rogné l’image à une taille plus petite, ils ont divisé par deux la densité de pixels en supprimant un pixel sur deux pour réduire la demande de calcul. Leur approche pour générer l’image débruitée consistait à estimer la moyenne de chaque pixel.
Ils ont également traité la même image en utilisant d’autres modèles probabilistes. L’utilisation d’un modèle de mélange Gamma-Poisson modifie l’apparence spatiale et dans une moindre mesure l’apparence de l’image conventionnellement débruitée. Les modèles qui donnent une distribution probabiliste explicite pour les patchs d’image sont importants, alors que les méthodes de traitement d’image non locales étaient moins adaptées.
L’inspection visuelle de l’image débruitée a prouvé que la qualité était similaire à celles obtenues en utilisant des algorithmes de pointe et une suppression efficace du bruit dans les images EM haute résolution.
Amélioration «Zero-Shot» d’une image de microscopie électronique de virus SARS-CoV-2 à l’aide d’algorithmes probabilistes d’apprentissage automatique pour le débruitage. L’entrée (en haut à gauche) est une version recadrée et mise à l’échelle du fichier disponible gratuitement Dataset 07 SARS-CoV-2 077.tif de Laue et al. (2020, 2021). En utilisant des patchs découpés dans l’entrée bruyante, nous apprenons une représentation probabiliste de l’image EM à l’aide d’un modèle de codage clairsemé à pic et dalle linéaire. Nous pouvons ensuite appliquer la représentation apprise pour reconstruire de manière probabiliste chaque patch d’image EM. Enfin, nous générons des images EM reconstruites (en haut au centre et à droite) en calculant les moyens et les variances des estimations de pixels à partir de différents patchs. L’approche d’amélioration d’image EM ne nécessite pas de données d’apprentissage (propres) et peut être directement appliquée à une seule image bruyante
Avantages et inconvénients
L’équipe a également analysé les statistiques de reconstruction. Les estimations de la variance des pixels peuvent également être utilisées pour donner une impression spatiale de la zone d’infection. Bien que la reconstruction d’images de tomographie précédente puisse fournir des images de haute qualité, elles nécessitent de nombreuses images TEM d’un seul virus, ce qui est difficile à obtenir. Cette méthode ne peut pas reconstruire les images 3D d’une scène d’infection entière.
Chaque méthode utilisée pour la représentation 3D peut introduire ses propres artefacts. Par exemple, des artefacts peuvent être présents dans la nouvelle méthode car il y a moins de représentation des structures rares. De plus, la reconstruction étant basée sur une seule image, les surfaces réelles ne sont pas estimées.
Un avantage de la nouvelle méthode est que les surfaces n’obstruent pas les autres structures, mais un inconvénient est que les structures virales internes peuvent s’emmêler avec les structures de surface. Étant donné que différentes méthodes présentent des avantages différents, elles peuvent être combinées dans des systèmes hybrides.
Différentes approches sont généralement utilisées pour différentes données. Par exemple, la méthode de reconstruction des protéines rapportée précédemment combine des images TEM de plusieurs molécules de protéines de différents virus, ce que la nouvelle méthode ne peut pas faire. La nouvelle approche ne peut pas combiner plusieurs images TEM du même virus pour générer une image 3D. Mais les autres méthodes ne peuvent pas récupérer une impression spatiale à partir d’une seule image bruyante.
Bien que des images spatiales d’infections virales aient été rapportées avant d’utiliser des images de microscopie électronique à balayage, elles ont une faible résolution et ne montrent pas les détails du virus. Les images obtenues à l’aide de la nouvelle méthode ont un niveau de détail élevé pour le SARS-CoV-2, ce qui peut mieux comprendre l’infection.
L’image colorée et l’image originale sont disponibles en téléchargement dans ce référentiel.
*Avis important
bioRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique / les comportements liés à la santé ou être traités comme des informations établies.
